快捷導(dǎo)航

Python從PDF中提取文本的方法效率總結(jié)

更新時間：2023年09月15日 09:31:46 作者：一口神探

日常工作中我們經(jīng)常會用到pdf格式的文件,大多數(shù)情況下是瀏覽或者編輯pdf信息,但有時候需要提取pdf中的文本,這篇文章主要給大家總結(jié)介紹了關(guān)于Python從PDF中提取文本的方法效率,需要的朋友可以參考下

前言

這段時間做了好幾個關(guān)于年報的需求，其中無一例外需要從年報PDF中提取文本再進行下一步的操作。為了提高效率，對比分析了python中各種可以實現(xiàn)此功能的方法效率。

一、pdfplumber

簡介：

可以為pdf文件插入文本字符、矩形和行的詳細信息
對于非掃描格式pdf解析效果最佳
基于pdfminer.six構(gòu)建
代碼簡潔，易于理解

安裝：

pip install pdfplumber

示例：

import pdfplumber
def pdf2txt(pdf_path):
    txt = ''
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            txt = txt + page.extract_text()
    return txt

二、pdfminer

簡介：

可以獲取文本的提取位置以及其他布局信息
可將pdf轉(zhuǎn)換為其他格式(HTML/XML)
支持基本的加密方式(RC4 and AES)

安裝:

pip install pdfminer

示例：

from pdfminer.converter import TextConverter
from pdfminer.pdfdocument import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
def parsePDF(PDF_path):
    resource_manager = PDFResourceManager()
    fake_file_handle = io.StringIO()
    converter = TextConverter(resource_manager,fake_file_handle)
    page_interpreter = PDFPageInterpreter(resource_manager,converter)
    with open(PDF_path,'rb') as fh:
        for page in PDFPage.get_pages(fh,caching=True,check_extractable=True):
            page_interpreter.process_page(page)
        text = fake_file_handle.getvalue()
    converter.close()
    fake_file_handle.close()
    if text:
        return text

三、fitz / pymupdf

簡介：

支持多種格式
可以提取文字和圖像
搜索文本

安裝：

直接安裝fitz會出現(xiàn)較多問題，建議安裝pymupdf

pip install pymupdf

示例：

import fitz
def parsePDF(filePath):
    with fitz.open(filePath) as doc:
        text = ""
        for page in doc.pages():
            text += page.get_text()
        if text:
            return text

官方示例：

https://github.com/pymupdf/PyMuPDF/tree/master/tests